La fatigue de l'IA au travail : le coût caché de la vérification

On vous a vendu du temps gagné. Vous en avez peut-être gagné, et pourtant vous finissez la journée plus vidé qu'avant. Cette fatigue de l'IA au travail n'est ni un défaut d'adaptation ni un manque d'entraînement : c'est la conséquence prévisible d'un déplacement de l'effort. Vous ne produisez plus la première version, vous la contrôlez. Et le contrôle a un coût que personne ne compte.

Le travail n'a pas disparu, il a changé de nature

Écrire un compte rendu de réunion, c'était deux heures de rédaction. Aujourd'hui, c'est quinze minutes de relecture d'un texte qui a l'air juste. Le gain apparent est massif. Ce qu'il masque, c'est que les deux heures étaient un travail continu et prévisible, alors que les quinze minutes sont un travail d'attention soutenue, où chaque phrase doit être évaluée sans qu'aucun signal ne vous dise laquelle mérite un examen.

Cette bascule de la production vers la supervision est documentée depuis quarante ans. En 1983, la psychologue britannique Lisanne Bainbridge publie dans la revue Automatica un article de cinq pages devenu l'un des plus cités de l'ergonomie cognitive, « Ironies of Automation ». Sa thèse tient en une phrase : plus on automatise une tâche, plus ce qui reste à l'opérateur humain est difficile. Il hérite de la surveillance, qui est épuisante, et des cas rares, qui demandent le plus de compétence, alors même que ses savoir-faire s'érodent faute de pratique.

Remplacez « opérateur de salle de contrôle » par « chargé de communication qui relit un texte généré » et la description tient toujours.

Vérifier du plausible coûte plus cher que vérifier du mauvais

C'est le point le moins intuitif, et le plus déterminant. Un stagiaire qui rend un texte médiocre vous fait gagner du temps : les erreurs sautent aux yeux, elles ont une texture reconnaissable, vous savez où regarder. Un modèle de langage rend un texte régulier, syntaxiquement irréprochable et calibré, dans lequel une date fausse ressemble exactement à une date vraie. Il n'y a plus de surface d'accroche. Pire, cette régularité joue contre nous : la recherche montre qu'une réponse fluide et longue inspire davantage confiance à exactitude égale, ce que nous détaillons dans pourquoi on croit une machine qui parle bien.

Ce mécanisme découle directement de la façon dont ces systèmes fonctionnent : ils produisent la suite plausible, pas la suite vraie, ce que nous avons détaillé dans notre article sur les raisons pour lesquelles l'IA invente. La conséquence pratique est que la vérification ne peut pas être sélective. Elle doit être exhaustive, ou elle n'est rien.

La recherche en facteurs humains a un nom pour ce qui arrive ensuite. Dans une synthèse parue en 2010 dans Human Factors, Raja Parasuraman et Dietrich Manzey regroupent sous le terme de complaisance automatique et de biais d'automatisation deux effets liés : on cesse progressivement de contrôler un système qui a raison la plupart du temps, et on suit ses recommandations même quand un indice contraire est disponible. Leurs conclusions ont deux propriétés dérangeantes. L'effet apparaît aussi bien chez les novices que chez les experts. Et il ne se corrige ni par l'entraînement ni par une consigne de vigilance.

Autrement dit, se dire « je ferai attention » ne suffit pas, et ce n'est pas une question de sérieux professionnel. Un outil fiable à 95 % est plus dangereux à superviser qu'un outil fiable à 60 %, parce qu'il éteint votre vigilance sans éteindre le risque.

La vigilance n'est pas du repos

Il reste une idée fausse à évacuer : surveiller ne serait pas vraiment travailler. Pendant des décennies, la psychologie expérimentale elle-même a considéré les tâches de vigilance comme peu exigeantes, et attribué la baisse de performance dans le temps à un simple ennui.

Ce n'est pas ce que montrent les travaux ultérieurs. Joel Warm, Raja Parasuraman et Gerald Matthews ont publié en 2008, dans Human Factors également, une synthèse au titre sans ambiguïté : la vigilance exige un travail mental soutenu et elle est stressante. Les mesures de charge subjective, les indicateurs physiologiques et les corrélats neuronaux convergent : maintenir l'attention sur une tâche de détection consomme des ressources, et cette consommation augmente avec la difficulté du signal à détecter.

Rapporté à notre sujet : relire deux pages générées n'est pas un moment de récupération entre deux tâches sérieuses. C'est la tâche la plus coûteuse de la séquence, et elle arrive sans la satisfaction de fabriquer quelque chose.

Ce que disent les enquêtes, et ce qu'elles ne disent pas

Les données quantitatives sur cette fatigue restent jeunes et perfectibles, mais elles pointent toutes dans la même direction.

En juillet 2024, l'Upwork Research Institute publie une enquête menée auprès de 2 500 dirigeants, salariés et indépendants dans quatre pays anglophones. Le résultat qui a circulé : 77 % des salariés utilisateurs d'IA déclarent que ces outils ont alourdi leur charge de travail d'au moins une manière. Ce dernier membre de phrase a souvent disparu des reprises. Le détail des motifs compte davantage que le pourcentage : 39 % citent le temps passé à relire ou modérer les productions de l'IA, 23 % le temps d'apprentissage, 21 % le fait qu'on leur demande simplement plus de travail.

En mars 2026, le BCG Henderson Institute publie dans la Harvard Business Review une enquête auprès de 1 488 salariés américains à temps plein, sous le nom d'« AI brain fry ». Le résultat le plus utile n'est pas le chiffre d'ensemble, mais la séparation entre deux usages. Les salariés dont le travail consiste à surveiller des sorties d'IA rapportent 14 % d'effort mental en plus, 12 % de fatigue mentale en plus et 19 % de surcharge informationnelle en plus que ceux dont la charge de supervision est faible. À l'inverse, chez ceux qui utilisent l'IA pour se débarrasser de tâches répétitives, les scores d'épuisement professionnel sont inférieurs de 15 % à ceux des non-utilisateurs.

Ces deux résultats ne se contredisent pas, ils désignent la ligne de partage. Déléguer une corvée soulage. Superviser une production fatigue. Ce sont deux usages du même outil, et rien dans le discours commercial ne les distingue.

Une précaution s'impose : ce sont des enquêtes déclaratives, transversales, sur des échantillons majoritairement nord-américains. Elles décrivent des corrélations, pas des causes établies. On ne sait pas si la supervision fatigue, ou si les postes exposés à la supervision sont par ailleurs les plus chargés.

Le sentiment de compétence, quand la première version ne vient plus de vous

Il y a un second coût, moins mesurable et souvent tu. Produire une première version, aussi mauvaise soit-elle, est une expérience d'auteur. Corriger celle d'un autre est une expérience de relecteur. Le second rôle est utile, il est parfois plus difficile, mais il ne procure pas la même chose.

Beaucoup décrivent cette gêne sans la nommer, et la traduisent en « je ne sais plus si c'est mon travail ». Le sentiment n'est pas irrationnel : il signale la perte du moment où l'on découvre ce qu'on pense en l'écrivant. Ce moment-là ne se sous-traite pas, et quand il disparaît, il reste un travail d'arbitrage sur des propositions qu'on n'a pas formées.

S'ajoute un effet de comparaison. Une machine qui répond en phrases complètes, immédiatement, installe un étalon implicite de vitesse. Ces interfaces déclenchent chez nous des réflexes sociaux automatiques, jusqu'à la politesse, comme nous l'avons vu à propos de ce que révèle le fait de dire merci à une IA. La même mécanique joue ici en défaveur de l'humain : on se mesure à un rythme qui n'est pas le sien.

La pression implicite à produire plus

Le temps gagné ne revient presque jamais à celui qui l'a gagné. C'est la partie la moins psychologique du problème, et probablement la plus déterminante. Quand une tâche passe de deux heures à trente minutes, l'attente se recalibre en quelques semaines : ce n'est plus une tâche par jour, c'est quatre. La fatigue qui en résulte n'est pas cognitive, elle est organisationnelle.

Un résultat expérimental éclaire ce brouillard. En juillet 2025, l'organisation d'évaluation METR a publié un essai randomisé sur seize développeurs expérimentés travaillant sur leurs propres dépôts open source, répartis sur 246 tâches réelles. Avec les outils d'IA autorisés, ils ont mis 19 % de temps en plus. Interrogés après coup, ces mêmes développeurs estimaient avoir gagné 20 %. L'écart entre le vécu et la mesure dépasse ainsi trente points.

À manier avec précaution : l'échantillon est petit, les tâches portaient sur des bases de code connues des participants depuis des années, et METR a signalé en février 2026 des effets de sélection qui l'ont conduite à revoir le protocole de ses études suivantes. Cela ne prouve pas que l'IA ralentit tout le monde. Cela établit quelque chose de plus général : la sensation de gain de temps n'est pas un instrument de mesure fiable, et elle peut se tromper de sens.

Ce qui aide réellement

Aucune de ces pistes ne relève de la gestion du stress. Elles portent toutes sur le choix des tâches.

Choisir les usages où la vérification est bon marché. C'est le critère qui décide de tout. Un brouillon de courriel se vérifie d'un coup d'œil : le coût de contrôle est proche de zéro, le gain est net. Une synthèse chiffrée destinée à un client demande de retrouver chaque source : le contrôle coûte plus cher que la rédaction. Entre les deux, tout un dégradé. Posez la question avant de lancer l'outil, pas après.

Distinguer le gain de temps et le déplacement d'effort. Un travail passé de deux heures de rédaction à quinze minutes de relecture tendue n'a pas forcément gagné une heure quarante-cinq. Comptez le cycle complet, y compris la seconde relecture qu'on s'impose parce qu'on n'était pas sûr.

S'autoriser à ne pas utiliser l'outil. Là où la production directe est plus rapide que le couple génération plus vérification, ne pas s'en servir est la décision rationnelle. Elle devient difficile quand l'usage est encouragé ou prescrit, ce qui est déjà le cas dans beaucoup d'organisations. Elle mérite d'être dite et assumée collectivement, sinon chacun la prend en silence et culpabilise.

Ne pas empiler les outils. L'enquête du BCG relève une baisse de la productivité perçue au-delà de trois outils d'IA utilisés simultanément. Le passage de l'un à l'autre a le même coût que n'importe quel changement de contexte.

Décider qui vérifie quoi, et à quel niveau. Tant que le contrôle reste un travail invisible, non planifié, glissé entre deux réunions, il se fait mal et il fatigue. Rendre la supervision visible dans la charge est un acte d'organisation, pas de bien-être. La réflexion rejoint celle que nous menons sur le choix des processus à automatiser, et sur les cinq basculements qui ont marqué le premier semestre 2026, où la question du coût réel de l'adoption revient à plusieurs reprises.

Ce qu'on ne sait pas encore

Beaucoup de choses. On ignore si la fatigue de supervision s'atténue avec l'habitude ou si elle s'installe, faute de suivi longitudinal. On ignore ce que devient le savoir-faire d'un professionnel qui n'écrit plus de première version pendant trois ans, alors que Bainbridge prédisait une érosion. On ignore comment mesurer proprement le coût de vérification, parce qu'il ne laisse pas de trace dans les outils de gestion du temps.

Ce qui est acquis est plus modeste et suffit à décider : superviser est un travail, ce travail n'apparaît nulle part dans les comptes, et le vécu de gain de temps ne mesure rien de fiable. Le reste est une affaire de choix de tâches, à faire soi-même, tâche par tâche.